用于生殖激素动力学重建的多任务高斯过程与膨胀卷积网络
机器学习
2019-08-28 v1 应用统计
机器学习
摘要
我们提出一个端到端的统计框架，用于个性化、准确且微创的女性生殖激素模式建模。重建并预测激素动力学的演化是一项具有挑战性但至关重要的任务，有助于增进对月经周期的普遍理解并实现对潜在健康问题的个性化检测。我们的目标是在适应务实且微创的测量设置的同时，推断并预测个体激素随时间的每日水平。为此，我们的方法将概率生成模型（即多任务高斯过程）的能力与神经网络（即膨胀卷积架构）的灵活性相结合，以学习复杂的时间映射。为以尽可能少的数据实现准确的激素水平重建，我们提出了一种在有限采样预算下达到最优重建精度的采样机制。我们的结果表明了我们提出的激素动力学建模框架的有效性，因为它在不同现实采样预算下均提供准确的预测性能，并优于基线方法。
引用
@article{arxiv.1908.10226,
title = {Multi-Task Gaussian Processes and Dilated Convolutional Networks for Reconstruction of Reproductive Hormonal Dynamics},
author = {Iñigo Urteaga and Tristan Bertin and Theresa M. Hardy and David J. Albers and Noémie Elhadad},
journal= {arXiv preprint arXiv:1908.10226},
year = {2019}
}
备注
Accepted and presented in Machine Learning for Healthcare 2019